1. 前言
LangChain是一个用来构建LLM应用的开源框架，主要是为基于大语言模型的应用提供一系列的构建工具包。这个短课程的主要内容有：
- 模型、提示和解析器：调用LLM，提供提示并解析响应。
- LLM的记忆：用于存储对话和管理有限上下文空间的记忆。
- 链式操作：创建操作序列。
- 文档问答：将LLM应用于您的专有数据和用例需求。
- 代理：探索将LLM作为推理代理的新兴发展趋势。
原课程地址：https://www.deeplearning.ai/short-courses/langchain-for-llm-application-development/
B站转载：https://www.bilibili.com/video/BV1zu4y1Z7mc?p=1&vd_source=c2a322357481107ab7f418b1ae9ce618
2. 课程笔记
2.1. 模型、提示和解析器
https://www.bilibili.com/video/BV1zu4y1Z7mc?p=2&vd_source=c2a322357481107ab7f418b1ae9ce618
这节课的要点有两个：
a. 使用Langchain的模板功能，将需要改动的部分抽象成变量，在具体的情况下替换成需要的内，达到一次定义，多次使用的效果。
书中提到的一个例子是，使用模板，去转化表达的风格。这种方式比fstring要更灵活，特别是模板很长的时候。
b. 使用一个解析器，将LLM的输出解析成你需要的格式，如字典。
2.2. LLM记忆，上下文管理
这节课主要如何使用不同的内存类来管理与LLM的对话上下文。
ConversationBufferMemory：保存所有上下文。
ConversationBufferWindowMemory：以对话轮数为单位，设置最大轮数限制。
ConversationTokenBufferMemory：以token的个数为单位，设置最大个数限制。
3. 其他
（完）